Application of LSTM architectures for next frame forecasting in Sentinel-1 images time series

09/02/2020
by   Waytehad Moskolaï, et al.
0

L'analyse prédictive permet d'estimer les tendances des évènements futurs. De nos jours, les algorithmes Deep Learning permettent de faire de bonnes prédictions. Cependant, pour chaque type de problème donné, il est nécessaire de choisir l'architecture optimale. Dans cet article, les modèles Stack-LSTM, CNN-LSTM et ConvLSTM sont appliqués à une série temporelle d'images radar sentinel-1, le but étant de prédire la prochaine occurrence dans une séquence. Les résultats expérimentaux évalués à l'aide des indicateurs de performance tels que le RMSE et le MAE, le temps de traitement et l'index de similarité SSIM, montrent que chacune des trois architectures peut produire de bons résultats en fonction des paramètres utilisés.

READ FULL TEXT

page 7

page 8

research
03/22/2021

An Experimental Review on Deep Learning Architectures for Time Series Forecasting

In recent years, deep learning techniques have outperformed traditional ...
research
05/13/2019

Precipitation nowcasting using a stochastic variational frame predictor with learned prior distribution

We propose the use of a stochastic variational frame prediction deep neu...
research
09/28/2021

Macroeconomic forecasting with LSTM and mixed frequency time series data

This paper demonstrates the potentials of the long short-term memory (LS...
research
12/18/2018

A Comparison of LSTMs and Attention Mechanisms for Forecasting Financial Time Series

While LSTMs show increasingly promising results for forecasting Financia...
research
05/24/2023

Feature-aligned N-BEATS with Sinkhorn divergence

In this study, we propose Feature-aligned N-BEATS as a domain generaliza...
research
02/17/2021

Deep Learning Approaches for Forecasting Strawberry Yields and Prices Using Satellite Images and Station-Based Soil Parameters

Computational tools for forecasting yields and prices for fresh produce ...
research
07/10/2018

Revisiting the Hierarchical Multiscale LSTM

Hierarchical Multiscale LSTM (Chung et al., 2016a) is a state-of-the-art...

Please sign up or login with your details

Forgot password? Click here to reset